INDIGO TALK EP32 / AI 的下一个战场：硬核科技

本期 Indigo Talk，我们荣幸地邀请到硅谷一线硬科技投资机构 FoundersX Ventures 的两位合伙人 Helen Liang 与 Leo Cui，以及老朋友厚明。他们将从投资人与科学家的双重视角，为我们描绘一幅 AI 加速下，物理世界正在发生的深刻变革图景：为什么说硅谷的风向已经从“模型崇拜”转向了“营收为王”？AI 又将如何“反向塑造”算力的未来，催生出颠覆性的 3D 芯片？在生命科学领域，“虚拟细胞”和 AI 科学家将如何终结人类百年的探索孤独？而机器人这块“最难啃的硬骨头”，又卡在了什么核心瓶颈上？欢迎收听这场关于 AI 与未来科技版图的深度对谈。

Apple Podcast & Spotify 播客 ｜ 小宇宙播客

本期嘉宾

• Helen Liang (FoundersX Ventures - 管理合伙人)
• Leo Cui (FoundersX Ventures - 合伙人)
• 李厚明 (棕榈资本创始人 - 共同主持人)
• Indigo (数字镜像博主 - 主持人)

时间轴

• 03:50 硅谷风向标：AI 创业从追逐底层模型转向产品与营收导向
• 12:04 人才战争：Meta 天价薪酬会阻碍顶尖人才创业吗？
• 15:51 价值金字塔的倒转：芯片、模型与应用，未来的价值将如何分配？
• 24:41 AI “反向塑造”硬件：下一代算力的未来 —— 3D 芯片
• 30:30 生命科学的计算革命：“虚拟细胞”与人体的 Digital Twin
• 37:20 OpenAI 与 Retro Bio 合作案例：AI 如何将干细胞转化效率提升 50 倍？
• 43:05 硬科技的最大瓶颈：跨越“多组学”的数据壁垒
• 50:05 机器人为何如此艰难：成本、数据与“几亿年的智能演化”
• 1:01:28 世界模型（World Model）：Scaling Laws 与 Yann LeCun 的路线之争
• 1:13:00 展望未来 3-5 年：AI Agent、AI + 生物、AI + 硬件是三大主线
• 1:25:13 AI 智商超越人类之后，我们还需要科学家吗？

当智能开始重塑物理世界

在人工智能的浪潮席卷全球，当大众的目光还聚焦于语言模型的每一次迭代和 AGI 的宏大叙事时，一场更深刻、更具颠覆性的变革正在悄然发生。这场变革的核心，是将数字世界的智能，注入到物理世界的原子之中。从驱动我们数字生活的芯片，到构成我们生命的细胞，再到探索未知宇宙的机器人，AI 正在从一个“回答问题”的工具，进化为一个“解决问题”的伙伴，甚至是一位“提出问题”的科学家。

本期 INDIGO TALK 邀请到了硅谷 FoundersX 基金的两位合伙人 Helen 和 Leo，他们身处全球科技创新的风暴中心，专注于 AI 与 Deeptech（硬核科技）的投资。在这场长达一个半小时的深度对话中，他们不仅分享了硅谷投资风向的最新转变，更深入探讨了 AI 如何赋能芯片设计、生物医药、机器人乃至基础科学研究的未来图景。这篇文章将带你超越视频的线性体验，深入这场对话的核心，理解 AI 的下一个战场究竟在哪里，以及它将如何重塑我们的世界。

一、硅谷的新风向：从追逐模型到拥抱营收

2025 年的硅谷 AI 领域已经完成了从底层技术狂热到商业化落地的关键一跃。投资界的焦点不再是模型的参数和跑分，而是产品、应用以及实实在在的年化经常性收入（ARR）。

对话从一个投资人最关心的问题开始：过去一年，硅谷的投资热点发生了什么变化？Helen 指出，最大的变化是从先前对底层大模型的狂热追逐——包括算力、算法和 AGI 的基准测试——转向了以产品和营收为导向的务实阶段。

这个转变的背后，是 AI 技术本身已经跨过了一个重要的“临界点”。大模型的能力已经“足够好”，不再是制约商业应用的瓶颈。Helen 提到，在过去短短6个月里，FoundersX 投资组合中就有 8 家公司完成了从种子轮到A轮的融资，总额超过 1.2 亿美元 。这些公司的共同特点是惊人的营收增长速度，成立仅两到三年的初创公司，在一年内就实现了 500 万至 1000 万美元的 ARR 。

这一现象的驱动力，是 AI Agent 的威力开始显现 。当底层模型足够强大后，创新的重心就自然地转移到了如何将这种能力与特定领域的私有数据相结合，打磨出能解决实际问题、创造商业价值的应用。企业客户看到了AI带来的“降本增效”的实际效果，付费意愿变得前所未有的强烈 。这不仅体现在初创公司的 ARR上，也体现在像 Anthropic 这样的模型公司，其 API 销售收入增速惊人，展示了企业级AI应用的巨大市场潜力 。

这个阶段的创业公司面临着一个“幸福的烦恼”：算力消耗巨大。他们每周最常向投资人求助的，就是希望能获得更多的云服务信用额度（Cloud Credit），无论是来自AWS还是Google 。这从侧面印证了 AI 应用正在被大规模地开发和使用，TOKEN 的消耗如同移动互联网时代的流量，正在变得“越用越多” 。

二、“日抛型编程”：AI Agent如何颠覆软件的本质

AI 正在将“编程”的定义一分为二。除了传统的、用于交付生产级产品的软件工程，一种全新的“日抛型编程”范式正在兴起。它借助 AI Agent，为个人即时生成、使用并抛弃代码，以解决当下具体的自动化任务，这将从根本上重构 SaaS 行业。

对话深入到当前AI应用最火热的领域之一：编程。大家普遍认为，这是一个巨头必争的“拥挤赛道”。但真正的机会可能不在于通用的代码补全工具，而在于与特定垂直领域（Deep Domain）的数据和工作流深度结合的应用。

然而，Indigo 提出了一个更具颠覆性的观点。他认为，我们必须区分两种写代码的目的：

1. 为了交付产品：这是传统软件时代的思维，开发者构建一个结构化的、可维护的、给众多用户使用的软件。目前的 AI 能力可以辅助这个过程（如修复补丁、快速迭代功能），但还无法胜任架构设计等核心任务 。
2. 为了解决自己的问题：这是 AI Agent 带来的新范式。代码不再是一个需要长期维护的产品，而是一个临时的、一次性的工具，就像“家里炒菜”一样，为了满足当下的特定需求而生 。

Indigo 用自己的亲身经历生动地阐释了这一点。他想为一个书单的 27 本书自动查找封面、生成描述、并将封面图拼接成一张预览图。他先尝试让 ChatGPT 的在线 Agent 来完成，结果屡次中断失败。然而，当他使用本地的 Claude Code 时，只用了 5 分钟就完美解决了问题 。这个为他工作了 5 分钟的代码，在任务完成后就可以被“扔掉”，因为明天他会有新的、完全不同的自动化需求。

这种被 Indigo 称为“日抛型编程”（disposable coding） 的模式，背后是一个深刻的思维转变（mindset shift）：软件的成本被 AI 极大地降低了。在过去，开发软件成本高昂，必须让尽可能多的人使用才能收回成本。而现在，软件可以“按需生成”，用完即弃 。这预示着大量的传统 SaaS 软件将面临被颠覆的风险，因为用户不再需要订阅一个包含众多功能的复杂软件，他们可以直接让 AI Agent 为他们完成具体的工作流 。

三、AI 人才的价值博弈：创业激情与“黄金牢笼”

Meta 等科技巨头为顶尖 AI 人才开出的天价薪酬，是一把双刃剑。它既是对 AI 创业价值的终极肯定，也为有经验的从业者制造了极高的机会成本。然而，对于那些被梦想驱动的年轻人来说，创业的浪潮势不可挡。

话题转向了硅谷一个热门新闻：Meta 为 AI 人才提供天价薪酬。这引发了一个担忧：当在大厂就能轻松获得高薪时，人们创业的意愿是否会下降？

Helen 和 Leo 的观察是，这种影响是分层的。对于顶尖的年轻人，比如斯坦福、哈佛的学生，创业的驱动力更多来自于改变世界的梦想和激情，高薪工作的诱惑并不会改变他们的选择。Helen 提到，她接触的斯坦福实习生中，就有三个选择退学创业，即使给他们高薪职位，他们依然会选择这条路。

然而，对于那些在谷歌、微软等大厂工作多年、年纪稍长的资深人士，高薪则构成了一个“黄金牢笼”。他们的机会成本变得非常高，放弃一份稳定的高薪工作去做充满不确定性的创业，决策会变得异常艰难。这甚至催生了一个有趣的策略：先去 OpenAI 上两年班，攒够自己创业的种子资金（self-fund）。

但从另一个角度看，巨头之所以愿意开出如此高的薪酬，恰恰是因为他们看到了这些顶尖人才如果不来大厂，就可能自己创业并颠覆一个领域。因此，高薪本身就是对创业潜在价值的一种市场定价。聪明人会意识到，既然自己的期望价值（EV）如此之高，那为什么不直接去创业呢？

更重要的是，AI 浪潮的时间窗口非常宝贵。现在，借助强大的大模型，一家公司从零收入成长为独角兽的时间被大大缩短。如果选择进入大厂，很可能会错过这波浪潮。五年之后，一个选择创业的斯坦福学生和一个选择去大厂的学生，谁的人生自由度更大，还很难说。

四、AI 价值金字塔的倒转：垂直应用将加冕为王

当前 AI 生态的价值结构是一个倒金字塔，由底层的芯片和中间的模型层占据了绝大部分价值。然而在未来 5 到 10 年，这个结构将彻底翻转，最终创造 70% 以上价值的，将是与垂直行业深度结合的应用层。

讨论进入了对整个 AI 产业结构的宏观分析。目前的价值分配格局非常清晰：底层的算力（芯片）和中间的算法（大模型）占据了约 90% 的价值，而顶层的应用只占了约 10%。这在技术发展的早期阶段是正常的，因为需要先搭建好基础设施。

但嘉宾们一致认为，这只是一个暂时的状态。随着算力成本的逐渐降低和模型能力的日趋成熟，价值创造的核心将向上转移。Helen 预测，在未来 5 到 10 年，应用层将占据价值创造的50%到70% 。

那么，应用层是否会诞生像英伟达或 Meta 这样的超级巨头？大家认为可能性极大，但路径与上一个时代不同。

• 水平通用平台的机会很小：在 AI 时代，做一个像社交平台那样的通用型应用很难成为巨无霸，因为“模型本身就是应用” 。任何横向的、通用的智能能力，最终都会被底层大模型所覆盖。分发渠道（如社交网络、终端设备）依然是护城河，但应用本身难以建立壁垒 。
• 巨大的机会在于垂直整合：真正的超级公司，会在一个垂直领域（Vertical Domain）里产生。他们会利用 AI 从底层彻底革新整个行业的架构和工作流 。Helen 举了一个例子：一位曾在摩根大通担任全球投资平台 CTO 的创业者，他的目标是重建整个华尔街的资产管理平台。这种具备深厚行业背景和底层架构视野的创业者，才有可能打造出巨无霸 。

Leo 补充道，这种垂直领域的巨头会通过一个正反馈飞轮建立壁垒：他们找到一个好的应用场景，吸引大量客户使用，从而获得海量的、高质量的、独有的用户数据。这些数据反过来又能让他们的模型在特定领域变得更好，形成赢家通吃的局面 。未来，可能不是一个统一的应用市场，而是在金融、医疗、法律等每一个细分领域，都会诞生各自的“巨无霸” 。

五、深入原子世界：AI 驱动的硬核科技革命

AI 的终极战场在于物理世界。通过将智能注入硬件设计和生命科学，人类正在开启一个全新的创新纪元，其核心是解决两大基础性瓶颈：物理世界的算力极限和生物世界的认知极限。

对话的核心转向了 Deeptech（硬核科技）投资。Helen 强调，他们的策略非常聚焦，主要关注那些能从根本上推动 AI 能力边界的颠覆性技术。

1. 下一代算力：从 2D 扩展到 3D 堆叠。目前的芯片发展遵循着“向外扩展”（scale out）的模式，即把芯片做得越来越大，但这已经接近工艺和功耗的物理极限。未来的方向是“向上生长”（scale up），即 3D芯片 。FoundersX 投资了一家从 MIT 剥离出来的公司，它可以在芯片上垂直堆叠多层结构，例如一层是逻辑层，一层是内存层 。这样做的好处是巨大的：
   • 极大缩短数据移动路径，从而将功耗降低10到50倍 。
   • 晶体管密度翻倍，显著降低成本 。
   • 然而，3D 芯片的设计极其复杂，尤其是在散热方面。传统的“有限元分析”方法已无能为力。解决方案本身也来自于AI —— 另一家被投公司 DeepSim，正利用生成式AI来模拟和设计 3D 芯片内部的热流和动力学，实现AI辅助设计下一代芯片的闭环 。
2. 生命科学的数字化：打造“虚拟细胞”。AI 在生物医药领域的应用，被认为是“最 Ready”的领域之一。终极目标是创建一个 人体的“数字孪生”（Digital Twin），从而可以在电脑中（in silico）进行药物实验，彻底颠覆漫长且昂贵的传统药物研发流程 。
3. 实现这一宏伟目标的第一步，是构建 “虚拟细胞”（Virtual Cell） 。通过AI模型模拟细胞在受到不同药物或基因扰动后的反应，可以极大地加速药物筛选和验证过程。
4. 近期 OpenAI 与 Retro Biosciences 的合作就是一个里程碑式的案例 。他们利用一个经过生物数据微调的 GPT-4o 模型，去设计全新的、能将普通细胞“重编程”为干细胞的诱导因子。结果，AI设计的因子将转化效率从不到0.1%
5. 提升了50倍，达到了5%。这雄辩地证明了，大语言模型不仅能理解人类语言，也能“说”生物的语言，即DNA和蛋白质序列。
6. 然而，这一切的核心瓶颈是数据。构建精确的虚拟细胞需要海量的、高质量的“多组学”（Multiomics）数据，包括DNA序列、RNA序列，尤其是目前极度缺乏的蛋白质测序数据和它们之间的相互作用数据。因此，能够低成本、高通量地生成这些数据的平台型公司，成为了投资布局的关键。NVIDIA 也将 Digital Bio 作为其医疗健康三大战略方向之一，这进一步印证了生物学本质上正在演变为一门数据科学。

六、机器人与世界模型：智能的终极挑战

通用人形机器人是 AI 面临的终极挑战，其难度远超语言智能。核心障碍不仅在于硬件成本，更在于物理世界交互数据的极度匮乏，这反映了生物进化中“行动智能”先于“语言智能”数亿年的深刻规律。

对话转向了机器人这一激动人心又充满挑战的领域。Helen 坦言，他们对此持相对保守和悲观的态度，认为绝大多数创始人都低估了其难度。

挑战主要来自两个方面：

1. 硬件成本与规模化：尽管 Figure AI 的机器人在两年内将成本从20万美元降至2万美元，但这对于大规模应用（如部署100万台到宝马生产线）来说，依然过于昂贵 。将成本再降低90%是极其困难的。
2. 数据壁垒与智能本质：这是更根本的难题。Indigo 引用了《智能简史》中的观点，指出地球生物的“行动智能”（在物理世界中移动、互动、生存）演化了数亿年，而“语言智能”的出现不过几十万年。我们现在用 AI 先解决了“简单”的语言问题，而真正的难题——具身智能（Embodied Intelligence），才刚刚开始。机器人需要海量的、多样化的、充满细微差别的人机互动数据来训练，而这些数据在互联网上是不存在的，其采集成本极高。

为了解决这个问题，业界正在探索“世界模型”（World Model） 的路径。以 Google DeepMind 的 Genie 模型为例，它通过观看海量的 YouTube 视频，来学习物理世界的基本规律——比如杯子掉落时水会如何溅起，浪花是什么形态。通过这种方式，AI 可以像婴儿观察世界一样，内化对物理定律的直观理解。一旦模型建立了对三维空间的深刻认知，它在多模态任务中的能力就会涌现，例如能够精准地理解和编辑图像中的空间关系。Tesla 也在利用其遍布全球的车辆采集真实世界的驾驶数据，来构建自己的世界模型。

最终，解决机器人难题的路径，可能需要将这种通过海量视频数据学到的世界模型，与物理定律等第一性原理相结合，但这无疑是一条漫长而艰难的道路。

七、未来 3-5 年展望：AI 的三大主线

展望未来 3-5 年，AI 的创新将主要沿着三条主线爆发：AI 智能体（Agent）将重塑所有数字工作；AI 赋能科学（AI for Science）将带来基础科学的突破；AI 与硬件的协同设计将催生新一代的物理工具。

在对话的尾声，三位嘉宾给出了他们对未来的预测，惊人地达成了一致：

1. AI Agent 将席卷数字世界：这是最快实现、影响最广的主线。所有不涉及物理交互的白领工作、软件任务，都将被 AI Agent 自动化。Elon Musk 甚至开玩笑说要用 xAI 打造一个“纯 AI 版”的微软。这意味着传统的 SaaS 模式将被彻底重构，软件的交付方式将从“功能集合”变为“任务完成”。
2. AI for Science 将成为创新引擎：这是最具突破性的主线。AI 将成为科学家的超级助手，甚至本身就是科学家。
   • 生物医药：这是最被看好的领域。AI 将极大加速药物研发和生命科学研究。Anthropic 的 CEO 预测，AI 将把生物医药领域 100 年的进展压缩到 5-10 年内完成。
   • 材料科学：AI 可以在巨大的可能性空间中模拟和发现新材料，这在过去只能通过昂贵且耗时的实验来完成。一旦在材料科学上取得突破，人类科技将进入下一个纪元，真正迈向费曼所设想的纳米时代。
   • 基础物理：xAI 的路线图清晰地表明，在解决了数学问题后，下一步就是解决物理问题。通过学习海量的教材和视频，AI 将逐步理解从牛顿定律到量子力学的物理世界，并最终可能提出人类科学家从未想到的假设和实验设计。
3. AI + 硬件协同设计：这是连接数字与物理的桥梁。AI 将深度参与到芯片、机器人、火箭等复杂硬件的设计过程中，解决人类工程师难以处理的复杂性问题，实现性能的飞跃。

精华收获

这场对话为我们揭示了 AI 发展的壮丽图景，其中最核心的洞察是：数据是新时代的石油，而物理世界的数据，是最稀缺、也最有价值的战略资源。

• 对创业者而言：机会已经从通用的模型层，转移到了能获取和利用高质量、独占性数据的垂直应用。无论是改造一个传统行业，还是创造一个能生成新类型数据的平台，都蕴藏着巨大的价值。
• 对科学家而言：一个前所未有的“黄金时代”已经到来。AI 提供了强大的工具，可以将他们从繁琐的实验和数据分析中解放出来，专注于提出最具创造力的假设。科学家与 AI 的共生，将是未来科学发现的主要模式。
• 对所有人而言：我们正处在一个由 ChatGPT 开启的、加速度惊人的变革时代。不到三年的时间，世界的面貌已焕然一新。我们需要对未来保持乐观，并为即将到来的、更深刻的变化做好准备，因为人类的直觉、品味和创造力，在与 AI 的共舞中，将变得前所未有的重要。